apache-spark - 如何找到RDD的大小

Question

我有RDD[Row]，它需要保留到第三方存储库中。
但是此第三方存储库在单个调用中最多接受5 MB。

因此，我想基于RDD中存在的数据大小而不是RDD中存在的行数来创建分区。

如何找到RDD的大小并基于它创建分区？

Answer 1

正如贾斯汀(Justin)和王(Wang)提到的那样，获得RDD的大小并非直接。我们可以做一个估计。

我们可以对RDD进行采样，然后使用SizeEstimator获得采样的大小。
正如王和贾斯汀所说，
根据离线取样的大小数据，例如X行使用Y GB离线，运行时Z行可能需要Z * Y / X GB

这是样本scala代码，用于获取RDD的大小/估算值。

我是scala和spark的新手。下面的示例可能会写得更好

def getTotalSize(rdd: RDD[Row]): Long = {
  // This can be a parameter
  val NO_OF_SAMPLE_ROWS = 10l;
  val totalRows = rdd.count();
  var totalSize = 0l
  if (totalRows > NO_OF_SAMPLE_ROWS) {
    val sampleRDD = rdd.sample(true, NO_OF_SAMPLE_ROWS)
    val sampleRDDSize = getRDDSize(sampleRDD)
    totalSize = sampleRDDSize.*(totalRows)./(NO_OF_SAMPLE_ROWS)
  } else {
    // As the RDD is smaller than sample rows count, we can just calculate the total RDD size
    totalSize = getRDDSize(rdd)
  }

  totalSize
}

def getRDDSize(rdd: RDD[Row]) : Long = {
    var rddSize = 0l
    val rows = rdd.collect()
    for (i <- 0 until rows.length) {
       rddSize += SizeEstimator.estimate(rows.apply(i).toSeq.map { value => value.asInstanceOf[AnyRef] })
    }

    rddSize
}